给Resnet加人工经验提升30%的准确率

今日做人脸识别验证时候突然灵感一现
若将人工经验告诉神经网络那么不就提高准确率了吗
当然这不是神经网络提高是网络后期输出的提高

具体类似如果你知道你的表没几小时 快几分钟 你就能知道真实的时间

而一个已经训练好的模型的输出 ，一定会有误差，人工将误差统计起，告诉给模型

比如你使用resnet 训练一个cifar10分类问题

1，那么你随意的训练几轮保存模型后保存
2，使用模型进行测试这里要改一下代码 直接将outputs的十个数取topk 10 这样任意一张图片就会得到一个10位的排序
3，这样做的意义在于每个图片都会得到一个属于自己的特征编码，10分类大概有1098765432*1
4，使用你的测试集测出每个图片的特征编码按标签，将所有特征编码分成10个列表，这便是人工经验集合
5，最后，利用10列表判断未知图片的特征编码 在不在某个标签列表中 如果在那么该图有95%的可能是这个标签
6，这样做的意义在于无论什么样的数据训练出来的模型 无论什么样的 结果 和准确率 我们都可以人工矫正
7，该方案如果应用于DCGAN 解决图片分类收集图片的大量人工，且准确率上升至98%的可能性极高
至于如何使用DCGAN解决分类问题后期会持续更新

#当然对于10分类或者是9分类，要的人工经验太多，但是如果是8或者是8以下的分类绝对是一个最好的选择